仪表盘全绿不算数,客户账本对上才算
借鉴会计的对账纪律,事先约定容差,任何差异都能当场解释,不必再说“回头查一下”。

要点速览
- 行数一致什么也证明不了。每个数值列都要算 SUM、MIN、MAX 和 AVG,才能发现截断、四舍五入和精度损失。
- 时区不一致是日期数据最常见的错误。先按天拆分差异,再去别处找原因。
- 阈值必须白纸黑字写下来,默认为 0。对账材料要经过独立复核,才能做上线与否(go/no-go)的决定。
验收会议常常以一种熟悉的方式翻车。你把仪表盘投到屏幕上:Agent 已经读完 10 月的全部发票,数据管道没有报任何错,总收入也显示出来了。客户的总会计师打开账本,沉默片刻,然后问:这个数为什么对不上?
从这一刻起,项目就不再关乎模型有多好。唯一的问题是:你能不能解释这笔差异。当场答得上来,客户就会信任你;如果说“我查一下再回复您”,整个系统都会被打上问号。
对账这项技能,能让你避开这种局面。会计行业早就在做这件事:账户对账就是把内部记录与外部对账单或原始凭证逐一核对。本指南介绍如何把这套纪律带进 AI 项目,让“系统能用”成为一个可以证明的结论。
用大白话说,什么是对账?
数据质量工具 Soda 的文档把对账检查定义为:检验目标数据集是否与一个或多个源数据集一致。它分两个层面。在汇总层面,比较行数、总额等指标;在行层面,逐条比对记录。
对前线部署工程师(FDE)来说,“目标”是你的系统产出的东西:Agent 抽取出来的发票表、库存预测,或迁移到新数仓的数据。“源”则是客户认定的真相,通常是总账、ERP 系统,或者财务团队已经结账的 Excel 文件。
有一个小概念决定一切:阈值。Soda 要求把可接受的差异定义为阈值,默认值是 0。这个默认值很符合会计精神:如果阈值没有写下来,那么任何差异都不算“可接受”。
应该按什么顺序核对?
在全量数据上逐行比对,既昂贵又缓慢。Soda 推荐一个更省成本的顺序:先做聚合检查(行数、总额、平均值),再对最重要的数据集有选择地逐行比对。
只数行数是不够的。Xylity 的一份迁移测试指南建议,对每个数值列都计算 SUM、MIN、MAX 和 AVG。两张表可能都是 4,812 行,但其中一张已经被截断或四舍五入。行数看不出这类错误,总额和极值却能立刻暴露它们。
同一份指南指出,时区不一致是日期数据最常见的错误。所以在聚合比对之后,下一步应该按天拆分差异。如果差异集中在周期的第一天或最后一天,时区通常是头号嫌疑。
一个完整示例
以下示例是假设的,数字也是假设的。一家位于 UTC+7 的分销商请你构建一个 Agent,读取发票并写入 ai_invoices 表。Agent 把发票时间戳以 UTC 存在 invoice_ts 列中,而财务团队在 ledger_invoices 表里结账,invoice_date 列用的是当地时间。
比对之前,你和总会计师书面约定:行数差异必须为 0;由于舍入规则,每张发票的金额最多可相差 0.01。
第一轮运行一条聚合查询,按双方各自实际存储的列筛选 10 月数据:
SELECT 'ai' AS src, COUNT(*) AS n, SUM(amount) AS total,
MIN(amount) AS mn, MAX(amount) AS mx, AVG(amount) AS avg_amt
FROM ai_invoices WHERE invoice_ts >= '2026-10-01' AND invoice_ts < '2026-11-01'
UNION ALL
SELECT 'ledger', COUNT(*), SUM(amount), MIN(amount), MAX(amount), AVG(amount)
FROM ledger_invoices WHERE invoice_date >= '2026-10-01' AND invoice_date < '2026-11-01';
假设两边都是 4,812 行,但 Agent 的总额比账本多出 18,640.25。行数一致常常让人过早放心,但在这里它只说明错误在相互抵消。于是你按天拆分,把 invoice_ts 转成 DATE 得到 Agent 一侧的日期:
SELECT d, SUM(ai_amt) - SUM(ledger_amt) AS diff FROM (
SELECT CAST(invoice_ts AS DATE) AS d, amount AS ai_amt, 0 AS ledger_amt FROM ai_invoices
UNION ALL
SELECT invoice_date, 0, amount FROM ledger_invoices
) t GROUP BY d HAVING SUM(ai_amt) - SUM(ledger_amt) <> 0 ORDER BY d;
这条查询有意不按周期筛选。如果保留 10 月的条件,你就看不到被挤进相邻月份的发票。
差异集中在 9 月 30 日、10 月 1 日、10 月 31 日和 11 月 1 日,这正是时区问题的特征。由于 invoice_ts 是 UTC,一张当地时间 11 月 1 日早上 6 点开出的发票,会变成 10 月 31 日晚上 11 点,被算进 10 月。
修复方法是:先把 invoice_ts 转换到客户结账所用的时区,再取日期、按周期筛选,然后重新运行。在这个示例中,总差异从 18,640.25 降到 0.37。
剩下的 0.37 才值得逐行比对,而且只针对很小的范围:差异超过 0.01 阈值的发票。
你发现有几张发票,Agent 按每个明细行对税额四舍五入,而会计是按总额四舍五入。这个舍入误差只有在修好时区之后才会浮现,因为此前它被淹没在更大的差异里。
动手实践:从阈值到签字确认
写任何 SQL 之前,先问客户:真相源是什么,结账周期用哪个时区,每个指标的差异阈值是多少。把这些写在一页纸上,发给客户确认。如果没有约定阈值,就按 0 处理。
接下来,搭建分层的自动化检查。Xylity 的模型分五层:前三层自动执行,每次迭代后重跑;后两层在切换到新系统(cutover)之前由人工确认。
对 AI 项目而言,三层自动检查可以是:行数、每个数值列的聚合值、每日差异。每次修改提示词、更换模型或调整数据管道时,都要跑一遍。
然后是证据包。Solvexia 的账户对账指南要求,对每个复核过的账户都记录说明、计算过程和证据。在上面的示例中,证据包包括:各条查询、时区修复前后的结果,以及因舍入而出现差异的发票清单和每张的处理方式。
最后一步是签字确认。同样根据 Solvexia 的说法,对账结果必须经独立第三方复核后才能定稿。这个复核人不能是你,因为系统是你搭的。像 Xylity 的模型那样,设一道明确的上线与否(go/no-go)关卡:只有每一层都通过,才进行切换。
让你失去信任的错误
第一个错误是把对账拖到项目末尾。Databricks 工程博客上的一篇文章指出,把验证当作事后补救的团队,最终花在对账上的时间比花在迁移本身上的还多。如果三层自动检查从第一周就开始运行,每个错误一出现就能被发现。
第二个错误是行数一致就收手。如示例所示,行数可能一致,而两个不同的错误恰好相互抵消。第三个错误是自己拍板定阈值,比如私下认定差异低于 0.1% 就“可以接受”。这个数应该由客户决定,而不是你。
第四个错误是给自己的系统背书。如果数据管道是你写的,结果也是你签的,你就跳过了客户财务团队每个月都在遵守的那条原则。
求职时,这项技能该怎么体现?
阅读职位描述时,留意“data migration”“financial data”“production validation”这类表述。这些团队需要会对账的人。在简历里,不要写“保障数据质量”,而要具体写明:你拿结果和哪个数据源对账,阈值是多少,由谁签字确认。
面试时,准备好回答这样的问题:“讲一次你的系统数字和源数据对不上的经历。你是怎么找到原因的?”一个好故事有四个要点:差异有多大、是谁发现的;你按什么顺序排查;真正的原因是什么;最终结果由谁签字确认。
这样的故事通常比任何模型准确率数字都更有说服力。原因在于,客户不会用准确率来评判你的系统,而是看你的数字和他们的账本能不能对上。
这篇文章对你有帮助吗?
感谢你的反馈!